נתקלנו במצב: לקוח בצ'אטבוט חוזר על אותה שאלה שלוש פעמים, הבוט נותן תשובות תבניתיות, והלקוח מתעצבן. במקום להעביר את השיחה לנציג עם הקשר מלא, המערכת סוגרת את הצ'אט או מציעה להתקשר. התוצאה: אובדן לקוח. מודול ההעברה שלנו פותר זאת: הנציג רואה את ההיסטוריה, הטון הרגשי וסיבת ההסלמה תוך שניות. העברת AI בוט לנציג מבטיחה שימור הקשר הדיאלוג ויוצרת העברה חלקה. צ'אטבוט עם תמיכת נציג הופך לכלי שירות יעיל.
לחברה שלנו ניסיון של 5+ שנים בפתרונות AI, עם למעלה מ-20 אינטגרציות העברה מוצלחות, המסייעות ללקוחות להשיג תוצאות מדידות.
פרויקט אחד היה חנות מקוונת עם 50,000 פניות בחודש. לאחר יישום העברת הקשר, זמן הטיפול ירד ב-35%. נציגים הפסיקו לבזבז זמן על הבהרת נסיבות, NPS עלה ב-12 נקודות. החיסכון ב-FTE של נציגים הגיע ל-40%. החיסכון השנתי הטיפוסי נע בין $50,000 ל-$200,000 בהתאם להיקף הפניות. מודול ההעברה יכול לחסוך לחברה שלך בממוצע $100,000 בשנה בהתבסס על פריסה בגודל בינוני.
כיצד לקבוע את רגע ההסלמה?
אנו משתמשים בשני סוגי טריגרים: מפורשים ואוטומטיים. מפורשים — כאשר הלקוח כותב "נציג", "אדם חי", או לוחץ על כפתור השיחה. טריגרים אוטומטיים מופעלים על סמך התנהגות:
- ביטחון מודל נמוך (confidence < 0.6) בשלוש הודעות רצופות.
- סנטימנט שלילי עם הידרדרות (ציון < -0.7, מגמה=מחמירה) — זיהוי לקוח מתוסכל.
- נושא נופל לרשימת "הסלמה תמיד": תביעות משפטיות, איומים, לקוחות VIP.
- דיאלוג מחזורי — המשתמש חוזר על השאלה במילים שונות, הבוט תקוע.
זיהוי ההסלמה מסתיים תוך פחות מ-3 שניות.
class EscalationDetector: def should_escalate(self, dialog: Dialog) -> EscalationReason | None: if self.explicit_request_detected(dialog.last_message): return EscalationReason.EXPLICIT_REQUEST if dialog.bot_confidence_history[-3:] == [low, low, low]: return EscalationReason.LOW_CONFIDENCE sentiment = self.sentiment_analyzer.analyze(dialog.last_5_messages) if sentiment.score < -0.7 and sentiment.trend == "worsening": return EscalationReason.FRUSTRATED_CUSTOMER return None לפי תיעוד Zendesk Handoff API, שילוב של מודל ML וכללים מעלה את דיוק ההסלמה ל-92%.
השוואת גישות: מודל ה-ML מדויק פי 1.3 מהגישה המבוססת כללים (92% לעומת 70%). זה גבוה ב-31%. המודל תופס טוב יותר חוסר שביעות רצון סמוי.
| גישת טריגר | דיוק | מורכבות יישום | מקרה שימוש |
|---|---|---|---|
| כללים (regex, מילות מפתח) | 70% | נמוכה | בקשות פשוטות "נציג" |
| מודל ML (ביטחון + סנטימנט) | 92% | גבוהה | זיהוי חוסר שביעות רצון סמוי |
מה כלול בחבילת ההקשר?
חבילת ההקשר מכילה:
| רכיב | תוכן |
|---|---|
| היסטוריית דיאלוג | כל ההודעות עם חותמות זמן, מטא-דאטה (ערוץ, שפה) |
| פרופיל לקוח | שם, היסטוריית הזמנות, כרטיסים פתוחים, פלח (VIP/רגיל) |
| סיבת הסלמה | איזה טריגר הופעל, ערך ביטחון, סנטימנט |
| הצעת בוט | התשובה האחרונה שלא פתרה את הבעיה |
| נושא שזוהה | ישות מסווגת (החזרה, אחריות, תלונה) |
| סיכום | סיכום קצר שנוצר על ידי LLM של הדיאלוג |
בממשק הנציג, הנתונים מוצגים חזותית: לוח מחוונים עם קידוד צבע לרגש, כרטיס לקוח, ציר זמן של הדיאלוג. הנציג רואה את הבעיה תוך שניות.
ניתוב שיחות והמתנה
בעת הסלמה, הבוט ממקם את הלקוח בתור לנציג עם הכישורים והעדיפות הנדרשים. בזמן שהלקוח ממתין:
- הבוט מודיע על זמן ההמתנה המשוער (מוערך על סמך היסטוריית התור).
- מציע להשאיר פרטי קשר להתקשרות חוזרת — הנציג יחזור אליו.
- ממשיך לענות על שאלות פשוטות כדי שהלקוח לא יעזוב.
זמן ההמתנה הממוצע לנציג הוא 45 שניות. המערכת תומכת בעד 500 לקוחות בו-זמנית. בפריסה טיפוסית, זמן התגובה הראשוני משתפר ב-55%. המערכת יכולה להתמודד עם 10,000 סשנים בו-זמנית של צ'אטבוט ולהעביר עד 500 לקוחות בשעה לנציגים.
async def initiate_handoff(dialog: Dialog, reason: EscalationReason): available_agent = await agent_queue.find_available( skills=classify_required_skills(dialog), priority=get_customer_priority(dialog.user_id) ) wait_time = await agent_queue.estimate_wait(available_agent) await bot.send(dialog.channel, f"Соединяю с оператором. Ожидайте ~{wait_time} мин.") await agent_dashboard.notify(available_agent, { "dialog": dialog, "reason": reason, "customer_profile": await crm.get_profile(dialog.user_id), "summary": await ai.summarize_dialog(dialog) }) העברה חזרה לבוט
לאחר סיום שיחת הנציג, הבוט יכול לקחת על עצמו את הדיאלוג עם הקשר מעודכן: מה הנציג פתר, אילו נתונים הובהרו. זה מפחית את עומס התמיכה לפניות חוזרות. סטטיסטיקות ההסלמה מצטברות — ניתוח קבוע של הסיבות מסייע לעדכן את מאגר הידע, לאמן מחדש מודלים ולתקן פערים בפונקציונליות הבוט.
אינטגרציה עם מערכות Helpdesk
אנו מחברים את ההעברה לכל פלטפורמה פופולרית:
- Zendesk: Handoff API, יצירת כרטיס עם הקשר.
- Freshdesk: Agent SDK להעברת הקשר לנציגים.
- Bitrix24: Live Chat API, תורי נציגים, CRM מאוחד.
- פלטפורמות מותאמות אישית: WebSocket + REST API.
תוצרים מסחריים
- ביקורת והתקנה: ביקורת על תרחישי הבוט הנוכחיים והגדרת טריגרי הסלמה.
- פיתוח גלאי: פיתוח גלאי (כללים + מודל ML) למקרה השימוש שלך.
- אינטגרציה: אינטגרציה עם CRM ו-helpdesk, הגדרת לוח המחוונים של הנציג.
- בדיקות: בדיקות יחידה לגלאי, בדיקות אינטגרציה לזרימת ההעברה.
- תיעוד: תיעוד מקיף של התהליך, ארכיטקטורת המערכת והפניות API.
- הדרכה: שני מפגשי הדרכה לנציגים ומנהלים.
- גישה: גישה ללוח מחוונים עם ניטור העברה בזמן אמת.
- תמיכה: תמיכה של 30 יום לאחר ההשקה כולל ניטור וכיוונון עדין.
כתוצאה מכך, אתה מקבל מודול העברה מוגדר במלואו, תיעוד וצוות מיומן.
דוגמה לפרויקט שהושלם
עבור חנות מקוונת עם 50,000 פניות בחודש, יישמנו העברה שהפחיתה את זמן הטיפול ב-35% והעלתה את NPS ב-12 נקודות. החיסכון ב-FTE הגיע ל-40%. גורם ההצלחה המרכזי היה כיוונון מדויק של טריגרים והצגת הקשר חזותית בלוח המחוונים של הנציג.בקש ייעוץ על אינטגרציית העברה. קבל הדגמה של הפונקציונליות על התרחיש שלך. הניסיון שלנו: 5+ שנים בפתרונות AI, יותר מ-20 אינטגרציות העברה מוצלחות.